Análisis de datos estadísticos en R

class: center middle main-title section-title-8 top-logo

.small[
# Regresión Lineale Múltiple
]

.class-info[
 
**Sesión N° 9** 
12 octubre 2021 
**Análisis de datos estadísticos en R**

.pull-right.small[
**Profesora** Valentina Andrade de la Horra 
**Ayudantes** Dafne Jaime y Nicolás Godoy
.tiny[Universidad Alberto Hurtado 
]
]

]

---
class: title title-inv-5

# Contenidos Sesión 9

--
.box-1.medium.sp-after-half[**Construcción modelo regresión lineal**]
--
.box-2.medium.sp-after-half[**Modelamiento con srvyr**]
--
.box-3.medium.sp-after-half[**Predictores categóricos**]
--
.box-4.medium.sp-after-half[**Extraer información**]
--
--
.box-6.medium.sp-after-half[**Representación gráfica**]
.box-6.small.sp-after-half[*Tablas*]
.box-6.small.sp-after-half[*Gráficos*]

---
class: center middle main-title section-title-1 top-logo
name: basics

# Modelo de regresión lineal
---
class: title title-1

# Modelo de regresión lineal

- Herramienta de análisis poderosa en ciencias sociales

- Permite generalizar relaciones entre variables

|  | `$Y$` | `$X$` |
|---|---|---|
|  | Explicada | Explicativa |
|  | Dependiente | Independiente |
|  | Respuesta | Control |
|  | Predicha | Predictora |
|  | Regresando | Regresor |

---
class: title title-1

# Modelo de regresión lineal

**Algunas propiedades básicas y clave**

1. `$Y$` de carácter continuo

2. `$X_i$` relación lineal con `$Y$` (*Supuesto N°2 Teorema Gauss Markow*)

3. Muestreo aleatorio para recolección de datos

- Otros: *colinealidad imperfecta, homocedasticidad, esperanza condicional de residuos cero, i.i.d*.

---
class: title title-1

# RLM en R
.can-edit[

```r
*lm(formula = ,
   data = ,
   weights = )
```
]

---
class: title title-8

#Recursos de la práctica

- Este práctico fue trabajado con datos de [CASEN 2020](http://observatorio.ministeriodesarrollosocial.gob.cl/encuesta-casen-en-pandemia-2020).
- Los datos ya fueron procesados anteriormente, para centrar el trabajo en el cálculo de parámetros.
- Al trabajar con muestras complejas, es **fundamental** asegurarnos de:
  + Recodificar correctamente los valores de cada variable
  + Eliminar los valores nulos de los datos
  + Transformar cada variable a su datatype correspondiente
- Pueden revisar el *script de procesamiento* en la carpeta **R**

---
class: center middle main-title section-title-8 top-logo
name: basics

# 1: Flujo del RProject

---
class: title title-inv-8

# Etapas del flujo

.center[
![:scale 70%](data:image/png;base64,#https://github.com/learn-R/slides/raw/main/img/01/flow-rproject.png)]

- *Hoy* nosotras/os nos centraremos en la parte de **análisis**.

---
class: title title-inv-8

# Orden de un script de análisis

.center[
![:scale 60%](data:image/png;base64,#https://raw.githubusercontent.com/learn-R/slides/main/img/04/orden-sintaxis.png)]

---
.center[
![](data:image/png;base64,#https://media2.giphy.com/media/ule4vhcY1xEKQ/giphy.gif)]

Figura 1: Estudiantes de Análisis de datos en R haciendo los **pasos 4 y 5.**
---
class: center middle main-title section-title-8 top-logo

# Paso 1: Cargar paquetes

---
layout: true
class: title title-8
---
# Paso 1: Cargar paquetes

```r
pacman::p_load(tidyverse, #Universo de paquetes
               sjmisc, #Para explorar datos
               srvyr, #Para trabajar con muestras complejas
               dplyr, #Para manipular datos
               tidyr) #Para transformar la estructura de los datos
```

---
layout: false
class: center middle section-title section-title-8 animated fadeIn

# Paso 2: Importar datos

---
# Consideraciones antes de importar datos

Para **importar** los datos en R debemos tener en consideración tres cosas:

.can-edit.key-likes[
1.
2.
3.
]

---
# Consideraciones antes de importar datos

Para **importar** los datos en R debemos tener en consideración tres cosas:

1. Cómo se llaman los datos (en nuestro caso casen_proc);

2. El formato de nuestros datos (en nuestro caso .rds); y

3. El lugar de donde están alojados nuestros datos (en este caso, desde GitHub).

---
# Paso 2: Importar datos

```r
data <- readRDS(url("https://github.com/learn-R/07-class/blob/main/input/data/casen_proc.rds?raw=true"))
```

---
class: center middle main-title section-title-8 top-logo

# Como resultado

.large.box-inv-1[Nuevo objeto en el Enviroment]

---
class: center middle section-title section-title-8 animated fadeIn

# Paso 3: Explorar datos

---
class: center title title-8

# Explorar datos

¡Recordemos!

.box-inv-1[Para variables categóricas: `frq()`]

.box-inv-3[Para variables continuas: `descr()`]

--
En la tarea de explorar los datos, la librería `sjmisc` será nuestra mejor aliada
---
# Explorar datos para procesar

```r
## Variables categóricas

frq(data$region) #Examinamos la columna región
frq(data$pobreza) #Examinamos la columna pobreza
frq(data$sexo) #Examinamos la columna sexo
```
---
# Explorar datos para procesar

```r
## Variables continuas

descr(data$exp) #Ponderador regional
sum(data$exp) #Total de la población
descr(data$varstrat) #Estrato de varianza
descr(data$varunit) #Conglomerado de varianza
descr(data$ing_tot_hog) #Ingreso total del hogar
```
---
layout: false
class: center main-title section-title-8 top-logo

# ¡Continuemos con la creación del objeto encuesta!

---
layout: false
class: center middle main-title section-title-8 top-logo

# Pero antes...

---

# ¿Qué es un objeto encuesta?

.box-inv-1[Es una lista creada con la función 
`as_survey_design` de `srvyr`]

.box-inv-2[En este caso, la lista contiene 9 elemento diferentes]

.box-inv-3[Si bien su contenido es algo críptico, crear el 
objeto encuesta es crucial, pues nos permitirá trabajar con los datos como si fuese un dataframe]

---
class: center title title-8

# Creando el objeto encuesta

```r
obj_encuesta <- data %>% #Creamos un nuevo objeto encuesta con la información de nuestros datos
 as_survey_design(ids = conglomerado, #Aplicamos diseño muestral, especificando los ids a partir del conglomerado de varianza,
 strata = estrato,#strat con los estratos de varianza,
 fpc = nestrato, #especificando que la estimación está corregida con una población finita (cuando se pueda),
 weights = ponderador) #y los ponderadores con weights
```
---
class: center title title-8

# Objeto encuesta

![:scale 70%](data:image/png;base64,#https://github.com/learn-R/slides/blob/main/img/04/img-list.png?raw=true)
---
class:center title title-8

# ¿Por qué trabajar con objetos encuesta?

.box-inv-3[Los distintos argumentos especifican elementos del diseño muestral]

.box-inv-4[Así, podremos realizar estimaciones mucho más precisas]

.box-inv-5[Además de conocer el nivel de error de estas]

![:scale 25%](data:image/png;base64,#https://github.com/learn-R/slides/blob/main/img/04/kirby-cool.png?raw=true)

---
class: center title title-8

# Creando el objeto encuesta

En CASEN 2020 no viene incluida la variable fpc, por lo que debemos crearla

```r
data <- data %>% 
 group_by(varstrat) %>% #Agrupando por varstrat
 mutate(stratn = sum(exp)) %>% #Calculamos el total de personas por estrato
 ungroup() #¡No olvidemos desagrupar!
```

---
class: center title title-8

# Creando el objeto encuesta (¡por fin!)

En CASEN 2020 no viene incluida la variable fpc, por lo que debemos crearla

```r
casen_regional <- data %>% #Creamos un nuevo objeto llamado casen_regional con la información de data
 as_survey_design(ids = varunit, #Aplicamos diseño muestral, especificando los ids a partir de varunit,
 strata = varstrat,#los estratos a partir de varstrat,
 fpc = stratn, #especificando que la estimación es con una población finita
 weights = exp) #y los ponderadores con exp
```

---
class: center title title-8

# Las ventajas de `srvyr`

.box-inv-5[Existen otras librerías que nos permiten crear objetos encuesta]

.box-inv-6[Sin embargo, nos quedamos con `srvyr` ¿por qué?]

.box-inv-7[Nos permite dialogar con librerías conocidas, como `dplyr`]

.box-inv-2[¡Sin considerar la simpleza de los cálculos!]
---
layout: false
class: center main-title section-title-8 top-logo

# ¡A calcular!

---
class: title title-8
# ¿Qué calcularemos?

- `srvyr` provee de muchas funciones para cálculos de diferentes estadísticos
- No obstante, aquí calcularemos **medias**, **proporciones** y **totales**

.box-inv-1[Son los estadísticos más usuales de reportar]

.box-inv-2[además de ser **insesgados**]

- Entonces, emplearemos `survey_mean()`, `survey_prop()` y `survey_total()`

---
# Cálculo de medias `survey_mean()`

```r
## Cálculo simple
casen_regional %>% #Con casen_regional
  summarize(ing_medio = srvyr::survey_mean(ing_tot_hog, na.rm=T)) #Calculamos el ingreso medio poblacional
```

---
# Comparamos con el cálculo a nivel muestral

```r
data %>% #Con data
  summarise(ing_medio = mean(ing_tot_hog, na.rm=T)) #Calculamos el ingreso medio muestral
```

---

# Incorporamos Intervalos de Confianza al 95%

```r
casen_regional %>%#Con casen_regional
  summarise(ing_medio = survey_mean(ing_tot_hog, vartype = "ci", na.rm=T)) #Calculamos el 
                                                                           #ingreso medio poblacional, 
                                                                           #y sus intervalos de confianza
```

???
x

---

# ¿Y si queremos otro nivel de confianza?

```r
casen_regional %>% #Con casen_regional
  summarise(ing_medio95 = survey_mean(ing_tot_hog, vartype = "ci", level = .95, na.rm=T), #Al 95%
            ing_medio99 = survey_mean(ing_tot_hog, vartype = "ci", level = .99, na.rm=T)) #Al 99%
```

???

---
# Agrupamos por sexo (¡como con dplyr!)

```r
casen_regional %>% #Con casen_regional
  group_by(sexo) %>% #Agrupamos por sexo
  summarise(ing_medio = survey_mean(ing_tot_hog, vartype = "ci", na.rm=T)) #Calculamos el ingreso medio 
                                                                           #poblacional, y sus intervalos de 
                                                                           #confianza
```

---
# ¡Transformemos en wide con `tidyr`!

```r
ing_region <- casen_regional %>% 
 group_by(sexo) %>% #Agrupamos por region
 summarise(ing_medio = survey_mean(ing_tot_hog, vartype = "ci", na.rm=T)) %>% #Calculamos el ingreso medio poblacional, y sus intervalos de confianza
 select(sexo, ing_medio) %>% #Seleccionamos region e ing_medio
 pivot_wider(names_from = "sexo", #Pivoteamos, extrayendo los nombres de las columnas desde region
 values_from = "ing_medio") #Y los valores desde ing_medio
```

---

# Cálculo de proporciones con `survey_prop()`

.box-inv-2[Una diferencia con `survey_mean()`: ¡Debemos agrupar por la(s) variable(s) categórica(s) de interés!]

```r
## Cálculo simple
casen_regional %>% #Con casen_regional
  group_by(pobreza) %>% #Agrupamos por pobreza
  summarise(prop = survey_prop(na.rm = T)) #Y calculamos las proporciones
```

---
# Transformando a porcentaje (%) con `mutate()`

```r
## Transformando a porcentaje
casen_regional %>% #Con casen_regional
  group_by(pobreza) %>% #Agrupamos por pobreza
  summarise(prop = survey_prop(na.rm = T))%>% #Calculamos las proporciones
  mutate(per = prop*100) #Creamos una nueva columna multiplicando las proporciones *100 para obtener porcentajes
```

---
# Incorporamos los totales con `survey_total()`

```r
## Incorporamos cálculo de frecuencias
casen_regional %>% #Con casen_regional
  group_by(pobreza) %>% #Agrupamos por pobreza
  summarise(prop = survey_prop(na.rm = T), #Calculamos las proporciones
            total = survey_total(na.rm=T))%>% #Y el total por categorías
  mutate(per = prop*100) #Creamos una nueva columna multiplicando las proporciones *100 para obtener porcentajes
```

---
# Y los Intervalos de Confianza al 95%

```r
## Con Intervalos de confianza al 95%
casen_regional %>% #Con casen_regional
  group_by(pobreza) %>% #Agrupamos por pobreza
  summarise(prop = survey_prop(vartype = "ci", na.rm = T)) #Incorporamos intervalos de confianza
```

---
# ¡También podemos transformarlos en porcentajes!

```r
## Transformamos el estimador puntual y los límites del intervalo a porcentajes
## Incorporamos el total
casen_regional %>% #Con casen_regional
  group_by(pobreza) %>% #Agrupamos por pobreza
  summarise(prop = survey_prop(vartype = "ci", na.rm = T), #Calculamos las proporciones con intervalos de confianza
            total = survey_total(vartype = "ci", na.rm=T)) %>% #Así como el total por categoría
  mutate(prop = prop*100, #Multiplicamos las proporciones *100,
         prop_low = prop_low*100, #así como el límite inferior 
         prop_upp = prop_upp*100) #y superior, para obtener porcentajes
```

---
# Cruzamos variables

```r
## Cruzar dos variables
casen_regional %>% #Creamos un objeto llamado pobreza_reg con datos de casen_regional
  group_by(pobreza, sexo) %>% #Agrupamos por pobreza y sexo
  summarise(prop = survey_prop(vartype = "ci", na.rm = T), #Calculamos las proporciones con intervalos de confianza
            total = survey_total(vartype = "ci", na.rm=T)) %>% #Así como el total por categoría
  mutate(prop = prop*100)
```

---
# ¡Transformemos en wide con `tidyr`!

```r
## Crear objeto wide
pobreza_reg <- casen_regional %>% #Creamos un objeto llamado pobreza_reg con datos de casen_regional
 group_by(region, pobreza) %>% #Agrupamos por region y pobreza
 summarise(prop = survey_prop(vartype = "ci", na.rm = T), #Calculamos las proporciones con intervalos de confianza
 total = survey_total(vartype = "ci", na.rm=T)) %>% #Así como el total por categoría
 mutate(per = prop*100) %>% #Multiplicamos las proporciones *100 para obtener porcentajes
 select(region, pobreza, per, total) %>% #Seleccionamos region, pobreza, per y total
 pivot_wider(names_from = "pobreza", #Pivoteamos a lo ancho, extrayendo los nombres de las columnas desde pobreza
 values_from = c("per", "total")) #y los valores desde per y total
```

---

layout: false
class: center section-title section-title-8 animated fadeIn

# En síntesis

--
.box-2.medium.sp-after-half[**Diseño muestral complejo**]
--
.box-3.medium.sp-after-half[**El diseño muestral de CASEN 2020**]
--
.box-4.medium.sp-after-half[**Creación de objetos encuesta con srvyr**]
--
.box-5.medium.sp-after-half[**Estimación, inferencia y tabulado**]

---
class: center middle main-title section-title-4 top-logo

# ¡Y a no olvidar el flujo para el análisis!

## Nos permite hacernos amigas/os más rápido del programa
---

.center[
![:scale 80%](data:image/png;base64,#https://github.com/learn-R/slides/raw/main/img/01/flow-rproject.png)]

---
layout: false

.box-1[¿Y eso era?]

.box-inv-1[¡Ahora si que si! Nos vemos el próximo lunes]

.center[
![](data:image/png;base64,#https://github.com/learn-R/slides/raw/main/img/01/monster-inc-2.gif)]
---
layout: false
class: center middle main-title section-title-8 top-logo

.small[
# Muestras complejas y precisión de inferencia estadística
]

.class-info[
 
**Sesión N° 8** 
12 octubre 2021 
**Análisis de datos estadísticos en R**

.pull-right.small[
**Profesora** Valentina Andrade de la Horra 
**Ayudantes** Dafne Jaime y Nicolás Godoy
.tiny[Universidad Alberto Hurtado 
]
]

]

???
https://c.tenor.com/7mxJp29REVkAAAAC/scaryfeet-monstersinc.gif